W ostatnim artykule z serii "Warsztat Mistrza Promptów", Anatomia Mistrzowskiego Promptu, rozebraliśmy na czynniki pierwsze przepis na solidne zapytanie. Opanowaliśmy 4 kluczowe składniki: Instrukcję, Kontekst, Personę i Format. To nasz absolutny fundament. Ale co zrobić, gdy standardowe polecenia nie wystarczają? Jak nauczyć AI subtelności – naszego unikalnego stylu pisania, specyficznego tonu komunikacji marki albo niestandardowego formatowania danych?
Tu właśnie zaczynała się moja frustracja. Pamiętam, jak spędzałem długie minuty, próbując opisać AI, co dokładnie mam na myśli. "Napisz to w sposób dowcipny, ale nie prostacki", "Użyj profesjonalnego, ale przystępnego języka". Efekty były... różne. Czułem, że tracę czas na tłumaczenie, zamiast uzyskiwać rezultaty. Wtedy, podobnie jak przy moim pierwszym "olśnieniu", o którym pisałem w artykule Mistrz promptów w jeden dzień, zrozumiałem, że muszę zmienić podejście.
Przestałem tłumaczyć, a zacząłem pokazywać.
Dziś podzielę się z Tobą techniką, która zaoszczędziła mi niezliczone godziny. To metoda, która zamiast opisywać, daje AI gotowy wzorzec do naśladowania. W świecie inżynierii promptów nazywa się to "N-shot prompting". Brmi technicznie, ale idea jest genialnie prosta.
Wyobraź sobie, że uczysz kogoś jeździć na rowerze. Możesz przez godzinę opisywać mu teorię balansu, ruch pedałów i działanie hamulców. Ale o ile skuteczniej będzie, jeśli po prostu wsiądziesz na rower i pokażesz mu, jak to się robi?
Dokładnie tak samo jest z AI. Czasem najskuteczniejszą instrukcją jest po prostu przykład. Technika "N-shot prompting" polega na dołączeniu do swojego zapytania jednego lub kilku przykładów, które uczą model, jakiego dokładnie wyniku od niego oczekujemy. Słowo "shot" w tym kontekście to po prostu "przykład" lub "próba". Mówiąc "One-shot", dajemy jeden przykład. Mówiąc "Few-shot", dajemy ich kilka. To cała tajemnica nazwy!
Tę technikę możemy podzielić na trzy poziomy zaawansowania.
To jest nasz punkt wyjścia i technika, którą doskonaliliśmy w poprzednim artykule. "Zero-shot" oznacza, że nie podajemy AI żadnego przykładu. Opieramy się wyłącznie na potędze dobrze skonstruowanego promptu z użyciem Instrukcji, Kontekstu, Persony i Formatu.
Kiedy go używam? Praktycznie cały czas, do większości standardowych zadań. Jeśli chcesz napisać e-mail, podsumować tekst czy wygenerować pomysły, solidny prompt oparty na 4 składnikach w zupełności wystarczy.
Przykład (powtórka z anatomii):
INSTRUKCJA: Napisz post na Instagram
KONTEKST: dla naszej kawiarni 'Aromat Kawy', zapowiadający nową kawę 'Gwatemalskie Wzgórza'.
PERSONA: Pisz w tonie entuzjastycznego baristy.
FORMAT: Post powinien mieć około 300 znaków i 3 hashtagi.
To jest właśnie Zero-shot prompting w akcji. Działa świetnie, ale ma swoje granice, gdy w grę wchodzą niuanse.
Tu zaczyna się prawdziwa magia. "One-shot" oznacza, że w swoim prompcie umieszczasz jeden, idealny przykład tego, co chcesz osiągnąć. To jak dać AI wzorzec, mówiąc: "Zrób to dokładnie w ten sposób".
Kiedy go używam? Gdy zależy mi na bardzo specyficznym formacie odpowiedzi lub unikalnym stylu, który trudno opisać słowami.
Przykład: Analiza sentymentu Załóżmy, że chcemy, aby AI klasyfikowała opinie klientów, ale tylko do trzech kategorii: "Pozytywna", "Negatywna", "Neutralna".
Prompt (Zero-shot):
Oceń sentyment tej opinii: "Kawa była pyszna, ale obsługa bardzo powolna."
Wynik (nieprzewidywalny): "Opinia jest mieszana. Klient chwali kawę, ale narzeka na obsługę. Można by ją uznać za częściowo pozytywną..." -> Za długie, nie to, o co prosiłem.
Prompt (One-shot):
Przeanalizuj sentyment opinii i odpowiedz tylko jednym słowem: "Pozytywna", "Negatywna" lub "Neutralna".
Przykład:
Opinia: "Wszystko super, polecam!"
Sentyment: Pozytywna
Wynik (idealny)
Neutralna
To najwyższy poziom zaawansowania. "Few-shot" oznacza, że dajesz AI kilka przykładów, aby mogła nauczyć się bardziej złożonego wzorca lub poradzić sobie z niejednoznacznym zadaniem. To jak mini-sesja treningowa wewnątrz jednego zapytania.
Kiedy go używam? Gdy zadanie jest naprawdę skomplikowane, a niuanse decydują o sukcesie. Świetnie sprawdza się to na przykład przy uczeniu AI specyficznego stylu komunikacji lub przy złożonej kategoryzacji danych, gdzie proste reguły nie wystarczą.
Przykład: Kategoryzacja feedbacku Załóżmy, że chcemy sortować opinie o naszej stronie nie tylko jako "dobre" czy "złe", ale do bardziej szczegółowych kategorii: "Sugestia Funkcji", "Problem Techniczny", "Pochwała Treści".
Prompt (Few-shot):
Sklasyfikuj poniższe opinie użytkowników do jednej z trzech kategorii: "Sugestia Funkcji", "Problem Techniczny", "Pochwała Treści".
Przykład 3:
Opinia: "Nie mogę się zalogować, strona się zawiesza."
Kategoria: Problem Techniczny
Wynik (idealny)
Sugestia Funkcji
Wiedza to jedno, ale prawdziwa nauka zaczyna się w działaniu. Podobnie jak w poprzednim artykule, przygotowałem dla Ciebie materiały, które pomogą Ci przełożyć teorię na praktykę.
➡️ Pobierz darmowy Zeszyt Ćwiczeń do tej lekcji! Znajdziesz w nim nowe, praktyczne zadania, które pozwolą Ci przećwiczyć techniki One-shot i Few-shot prompting. Do zeszytu dołączony jest oczywiście klucz z moimi przykładowymi odpowiedziami. Znajdziesz je w osobnym dokumencie, który udostępniam TUTAJ.
➡️ Chcesz poćwiczyć ze mną? Umów się na spotkanie One-to-One! Jeśli czujesz, że potrzebujesz indywidualnego wsparcia i chcesz, abym osobiście przeanalizował Twoje prompty i pomógł Ci wejść na wyższy poziom, zapraszam na indywidualną sesję warsztatową. Wspólnie przećwiczymy najskuteczniejsze techniki i rozwiążemy Twoje konkretne problemy.
Po wniesieniu opłaty ustalę z Tobą dogodny termin naszego spotkania.
Chcę być z Wami w pełni transparentny. Zgodnie z duchem tego, czego uczę, ten artykuł – od pierwszego pomysłu, przez strukturę, aż po finalne szlify – powstał w ścisłej współpracy z moim kreatywnym partnerem, czyli sztuczną inteligencją. W tym procesie korzystałem z modelu Google Gemini 2.5 Pro. To dla mnie najlepszy dowód na to, że AI nie jest zagrożeniem, ale potężnym narzędziem, które wzmacnia ludzką kreatywność. Ja dostarczałem pomysły, doświadczenie i kierunek, a Gemini pomagał mi je ubrać w słowa i uporządkować. Mam nadzieję, że efekt naszej współpracy jest dla Was wartościowy.
Moja zasada jest prosta:
Zawsze zaczynaj od solidnego promptu Zero-shot, zbudowanego na 4 składnikach anatomii. W 80% przypadków to wystarczy.
Jeśli zależy Ci na specyficznym formacie lub stylu, dodaj jeden przykład (One-shot).
Jeśli zadanie jest złożone i pełne niuansów, użyj kilku przykładów (Few-shot), aby dać AI mini-trening.
Technika "Pokaż, nie mów" to jedno z najpotężniejszych narzędzi w mojej skrzynce. Uwalnia od frustracji związanej z niekończącym się doprecyzowywaniem i pozwala osiągać rezultaty, które na początku mojej drogi wydawały się niemożliwe.
A teraz Twoja kolej. Spróbuj wziąć jedno ze swoich regularnych zadań i zamiast opisywać AI, co ma zrobić, po prostu pokaż jej przykład. Jestem pewien, że będziesz zaskoczony efektami. W następnym artykule z serii "Warsztat Mistrza Promptów" zajmiemy się kolejną potężną techniką – nauczymy AI, jak myśleć "krok po kroku".
Daj znać w komentarzach, w jakich sytuacjach technika "pokazywania" mogłaby najbardziej przydać się w Twojej pracy!
Jaka jest główna różnica między One-shot a Few-shot prompting?
Najprościej mówiąc: ilość i cel przykładów. W One-shot dajesz jeden, idealny przykład, aby pokazać AI głównie format lub bardzo prosty styl odpowiedzi. To jak pokazanie wzoru dokumentu. W Few-shot dajesz kilka różnych przykładów, aby nauczyć AI bardziej złożonego wzorca, który wymaga zrozumienia niuansów i kontekstu. To jak pokazanie kilku rozwiązanych zadań z matematyki, aby uczeń zrozumiał metodę, a nie tylko wynik.
Czy moje przykłady mogą być zbyt długie? Czy jest jakiś limit?
Tak, to bardzo ważne pytanie. Każdy model AI ma tzw. "okno kontekstowe", czyli limit znaków (a dokładniej tokenów), które może przetworzyć w jednym zapytaniu. Jeśli Twoje przykłady będą zbyt długie, mogą "wypchnąć" z pamięci Twoją właściwą instrukcję lub zadanie. Staraj się, aby Twoje przykłady były tak zwięzłe, jak to tylko możliwe, jednocześnie zachowując esencję wzorca, którego chcesz nauczyć AI.
Co zrobić, jeśli AI zaczyna po prostu kopiować mój przykład, zamiast nauczyć się wzorca?
To klasyczny problem! Zdarza się, gdy przykład jest zbyt podobny do zadania, które zlecasz. Rozwiązania są dwa. Po pierwsze, upewnij się, że Twoje przykłady są zróżnicowane i pokazują różne aspekty problemu (jak w moim przykładzie z kategoryzacją feedbacku). Po drugie, wyraźnie oddziel sekcję z przykładami od sekcji z zadaniem, używając nagłówków typu "Przykłady:" i "Twoje zadanie:". To pomaga AI zrozumieć, co jest materiałem do nauki, a co właściwym poleceniem do wykonania.